遗传算法(整理版)

本文介绍了遗传算法在解决优化问题中的应用,特别是针对多峰函数的优化。内容涵盖遗传算法的基本流程,包括初始群体、适应度函数、选择、交叉和变异等步骤,并通过野游背包问题举例说明。同时,还提供了简单的遗传算法实现代码,用于解决特定的函数优化问题。
摘要由CSDN通过智能技术生成

优化问题

优化问题最终可以归结为:

minimize   f0(x) f 0 ( x )

subject to   fi(x)0 f i ( x ) ≤ 0

subject to   hj(x)=0 h j ( x ) = 0


对于常规的优化问题,使用常规的求导或优化算法就可以解决。但是,对于一些“多峰”的函数,这些常规的算法就很难求解,这时候就需要求助于一些启发式的优化算法。


遗传算法简介

      遗传算法是一类借鉴生物界的进化规律(适者生存,优胜劣汰的遗传机制)演化而来的自适应概率性随机化迭代搜索算法。


       类似于生物的进化过程,遗传算法处理的是变量集合的编码而非变量本身。它直接对结构对象进行操作,不存在求导和函数连续性的界定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应的调整搜索方向,不需要确定规则。遗传算法的这些特点已被人们广泛的应用于组合优化、机器学习、信号处理、自适应控制和人工生命领域。它是现代有关智能计算中的关键技术之一。


遗传算法的基本流程:



2.1


遗传算法例子

      准备要去野游 1 个月,但是你只能背一个限重 30 公斤的背包。现在你有不同的必需物品,它们每一个都有自己的「生存点数」(具体在下表中已给出ÿ

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值